Der mehrstufige Fertigungsprozess von 3D-Textilien hat eine Vielzahl teils interdependenter Prozess- und Maschinenparameter. Eine Zuordnung dieser zu den diversen Eigenschaften der Endprodukte sowie eine Prognose der Einflüsse ist daher nicht möglich, wodurch das persönliche explizite und implizite Erfahrungswissen der Fachkräfte essenziell ist. Um die Qualifizierung der Mitarbeitenden zu unterstützen, die Einarbeitungszeiten zu reduzieren und infolgedessen die Mitarbeitenden zu entlasten, soll ein KI-Expertensystem entwickelt werden, welches auf Basis von Messgrößen konkrete Handlungsempfehlungen für die Parametrisierung der Anlagen lernförderlich bereitstellt. So sollen zusätzlichdie Wirkungszusammenhänge für die Mitarbeitenden transparent gemacht werden.

Die Produktion implantierbarer Medizintextilien erfolgt unter strengen Qualitätsanforderungen, die eine permanente Überwachung und Dokumentation der gesamten Wertschöpfungskette notwendig machen. Allerdings ist bereits im Spinnprozess als Anfang der Prozesskette eine systematische Analyse von Fehlerursachen aufgrund vieler interdependenter Prozess- und Maschinenparameter im Arbeitsalltag kaum möglich. Ebenso wenig kann bislang das implizite Erfahrungswissen einzelner Mitarbeitender objektiviert werden. Deshalb erfolgt das Einstellen der Maschine – vor allem bei unerfahrenen Mitarbeitenden – häufig nach dem Trial-and-Error-Prinzip.

Um eine Entlastung der Beschäftigten von zeitintensiven Fehlersuchen und Einstellarbeiten sowie eine lernförderliche Arbeitsumgebung zu ermöglichen, soll eine digitale und datengetriebene Prozesskettenüberwachung eingeführt werden. Aufbauend auf bisherigen Prozess- und Qualitätsdaten und unter Einbeziehen des Erfahrungsschatzes erfahrener Mitarbeitender wird ein sogenannter Softsensor entwickelt. Dieser soll mittels Machine Learning die Qualitätszielgröße approximieren und den Mitarbeitenden ein besseres Verständnis für die Zusammenhänge und Auswirkungen von Änderungen im laufenden Prozess ermöglichen. Zusätzlich wird ein Verfahren zur Aktualisierung der Wissensdatenbank entwickelt, um das Expertenwissen dauerhaft im Unternehmen zu verankern und den Mitarbeitern eine lernförderliche Arbeitsumgebung zu bieten.

Der Produktionsprozess für Metallprofile wird derzeit manuell gesteuert und erfordert Anpassungen an verschiedenen interdependenten Stellhebeln, die von wenigen erfahrenen Mitarbeitenden durchgeführt werden. Erschwert wird dieser Prozess durch unbekannte Wechselwirkungen der Parameter, was den Prozess zeitintensiv macht und auch die Wissensweitergabe und Einarbeitung erschwert. Deshalb soll die Einführung einer roboter- und KI-gestützten Werkzeugpositionierung den Mitarbeitenden dabei unterstützen, die Produktionseinstellungen für verschiedene Werkstückvarianten durch Bereitstellung aufbereiteter Informationen zu optimieren und zugleich ihr Fachwissen zu erweitern. Ergänzend werden Schulungs- und Evaluationsmaßnahmen für die Mitarbeiter durchgeführt, um die Akzeptanz und Reflexion im Umgang mit der neuen Technologie zu fördern.

Als Zulieferer für die Automobilindustrie sind die Qualitätsanforderungen hoch. Gleichzeitig ist die Arbeit, bezogen auf den Kaschierprozess, monoton und belastend für die Mitarbeitenden. Um die Qualität zu steigern und die Mitarbeitenden zu entlasten, soll ein KI-System die Produktionsparameter überwachen und so Rückschlüsse zur Optimierung anhand der Parametereinstellungen  ermöglichen. Diese Daten können beispielsweise bei der Warenschau bereitgestellt werden. Zusätzlich wird mehr Transparenz hinsichtlich der Produktionsprozesse und -daten geschaffen.. Ein weiterer Schritt zum Vorteil der Mitarbeitenden ist eine Steigerung der Lernförderlichkeit bezüglich der Tätigkeiten.

Um eine hohe Flexibilität bei gleichzeitiger Produktivität zu erreichen, wird in diesem Unternehmen derzeit neben der IT-gestützten Fertigungsplanung auf Basis des verwendeten ERP-Systems manuell nachgesteuert. Dadurch sowie aufgrund von Lieferengpässen und weiterer Faktoren lässt sich die fristgerechte Erfüllung von Arbeitsaufträgen nur durch erhöhten Planungs- und Arbeitsaufwand erreichen. Um dem entgegenzuwirken und die Prozesse zu verbessern, soll ein KI-System die manuelle Umplanung durch Bewertung der Auswirkungen potenzieller Planungsmaßnahmen sowie der Bereitstellung von Handlungsempfehlungen unterstützen.

In der Textilindustrie führt die Vielfalt an textilen Produkten zu einer größeren Variantenvielfalt bei den verwendeten Ringläufern an Ringspinnmaschinen. Diese Variantenvielfalt ist nur schwer mit der Einhaltung von Lieferzeiten sowie unmittelbarer Nachfrage und Auslieferung vereinbar, was eine hohe Belastung der Mitarbeitenden bedeutet. Um die Mitarbeitenden zu entlasten, Produktion und Lagerhaltung zu optimieren und Deadstock zu reduzieren, soll eine KI-gestützte Nachfrageprognose entwickelt werden.

Das Anwendungsunternehmen stellt sicherheitskritische Automotive-Filter aus Metallgewebe her, bei denen hohe Qualitätsanforderungen gelten. Das bereits verbaute Kamerasystem zur automatischen Qualitätskontrolle ist allerdings unzureichend, wodurch eine manuelle Kontrolle aller Filter durch Mitarbeitende notwendig ist. Diese Aufgabe erfordert jedoch über lange Zeit eine hohe Konzentration, ist ergonomisch ungünstig und monoton, was u.a. zu Belastung und schneller Ermüdung führt. Durch eine Verbesserung der automatischen Fehlererkennung mithilfe von KI (Anomalieerkennung) sollen nur noch diejenigen Filter manuell geprüft werden, die vom System nicht als „in Ordnung“ klassifiziert werden. Daraus soll eine Steigerung der Arbeitsqualität hervorgehen, indem Mitarbeitende durch die frei gewordene Arbeitszeit abwechslungsreichere Tätigkeiten wahrnehmen und zusätzliches Wissen über ablaufende Prozesse erlernen. Zudem sollen sowohl die individuellen Mitarbeitenden als auch das Unternehmen als Ganzes KI-Kompetenzen aufbauen, um einen langfristigen Erfolg sicherzustellen.

Das Unternehmen stellt Pressfilze für die Papierindustrie her, die einem hohen Verschleiß unterliegen. Die genauen Einflussgrößen auf den Verschleiß sind aufgrund der komplexen Prozesse in den Papiermaschinen schwer zu identifizieren, was die Arbeit in Bereichen wie Qualitätskontrolle. Kundenberatung und Retouren-Analyse erschwert. Durch eine KI sollen eindeutige Haupteinflussgrößen auf den Verschleiß der Pressfilze ermittelt werden, was eine Vereinfachung der Arbeit in den genannten Bereichen, ein schnelleres Troubleshooting und eine verbesserte Produktlaufzeit ermöglichen soll.

Die Fertigung von Bauteilen aus carbonfaserverstärktem Kunststoff (CFK), insbesondere der Schleifprozess, ist anspruchsvoll und belastend. Einerseits hängt das Ergebnis stark von der Erfahrung und dem Materialgefühl der ausführenden Person ab, und selbst kleine Fehler können zu unbrauchbaren Bauteilen führen. Andererseits ist die manuelle Ausführung des Schleifprozesses zeitintensiv, monoton, ergonomisch ungünstig, und die dabei freigesetzten Staub- und Faserpartikel stellen ein gesundheitliches Risiko  für die Mitarbeitenden dar. Ziel ist deshalb die Einführung einer (teil-)automatisierten roboter- und KI-gestützten Schleiflösung. Infolgedessen sollen die Mitarbeitenden weniger Schleifarbeiten durchführen müssen und sich stattdessen abwechslungsreichere und kreativere Aufgaben mit höherer Wertschöpfung zuwenden. Dadurch soll die Arbeitsplatzattraktivität steigen sowie eine so eine bessere Reproduzierbarkeit der Produktqualität erreicht werden.